論文の概要: Consistency-based Active Learning for Object Detection
- arxiv url: http://arxiv.org/abs/2103.10374v1
- Date: Thu, 18 Mar 2021 17:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 14:14:11.994759
- Title: Consistency-based Active Learning for Object Detection
- Title（参考訳）: オブジェクト検出のための一貫性に基づくアクティブラーニング
- Authors: Weiping Yu, Sijie Zhu, Taojiannan Yang, Chen Chen
- Abstract要約: アクティブラーニングは、限られた予算で最も情報に富んだサンプルを選択することで、タスクモデルの性能を向上させることを目的としている。
本研究では,オリジナルデータと拡張データとの一貫性を十分に探究する,オブジェクト検出のための効果的な一貫性に基づくアクティブラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 10.794744492493262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active learning aims to improve the performance of task model by selecting
the most informative samples with a limited budget. Unlike most recent works
that focused on applying active learning for image classification, we propose
an effective Consistency-based Active Learning method for object Detection
(CALD), which fully explores the consistency between original and augmented
data. CALD has three appealing benefits. (i) CALD is systematically designed by
investigating the weaknesses of existing active learning methods, which do not
take the unique challenges of object detection into account. (ii) CALD unifies
box regression and classification with a single metric, which is not concerned
by active learning methods for classification. CALD also focuses on the most
informative local region rather than the whole image, which is beneficial for
object detection. (iii) CALD not only gauges individual information for sample
selection, but also leverages mutual information to encourage a balanced data
distribution. Extensive experiments show that CALD significantly outperforms
existing state-of-the-art task-agnostic and detection-specific active learning
methods on general object detection datasets. Based on the Faster R-CNN
detector, CALD consistently surpasses the baseline method (random selection) by
2.9/2.8/0.8 mAP on average on PASCAL VOC 2007, PASCAL VOC 2012, and MS COCO.
Code is available at \url{https://github.com/we1pingyu/CALD}
- Abstract（参考訳）: アクティブラーニングは、限られた予算で最も情報に富んだサンプルを選択することで、タスクモデルの性能を向上させることを目的としている。
画像分類にアクティブラーニングを適用することに焦点を当てた最近のほとんどの研究と異なり、オリジナルデータと拡張データの一貫性を十分に探求するオブジェクト検出(cald)のための効果的な一貫性に基づくアクティブラーニング手法を提案する。
CALDには3つの利点がある。
(i)caldは,オブジェクト検出のユニークな課題を考慮せず,既存のアクティブラーニング手法の弱点を調査して体系的に設計されている。
(II)CALDは,箱の回帰と分類を単一の尺度で統一するが,その分類は能動的学習法とは無関係である。
CALDはまた、画像全体よりも最も情報性の高い局所領域に焦点を当てており、オブジェクト検出に有用である。
(iii)caldはサンプル選択のための個別情報を測定するだけでなく、バランスの取れたデータ分布を促進するために相互情報を活用する。
広範な実験により、caldは一般的なオブジェクト検出データセットにおいて、既存の最先端のタスク非依存および検出固有のアクティブラーニング方法を大幅に上回っていることが示された。
高速R-CNN検出器に基づいて、CALDはPASCAL VOC 2007、PASCAL VOC 2012、MS COCOで平均2.9/2.8/0.8 mAPの基準法(ランダム選択)を一貫して上回っている。
コードは \url{https://github.com/we1pingyu/CALD} で入手できる。
関連論文リスト
- Mean-AP Guided Reinforced Active Learning for Object Detection [31.304039641225504]
本稿では,オブジェクト検出のための平均APガイド型アクティブラーニングについて紹介する。
MGRALは、予測されたモデル出力変化の概念を深層検知ネットワークの情報性として活用する新しいアプローチである。
提案手法は,物体検出のための強化学習に基づく能動学習における新たなパラダイムを確立し,高い性能を示す。
論文 参考訳（メタデータ） (2023-10-12T14:59:22Z) - Improved Region Proposal Network for Enhanced Few-Shot Object Detection [23.871860648919593]
Few-shot Object Detection (FSOD) メソッドは、古典的なオブジェクト検出手法の限界に対する解決策として登場した。
FSODトレーニング段階において,未ラベルの新規物体を正のサンプルとして検出し,利用するための半教師付きアルゴリズムを開発した。
地域提案ネットワーク(RPN)の階層的サンプリング戦略の改善により,大規模オブジェクトに対するオブジェクト検出モデルの認識が向上する。
論文 参考訳（メタデータ） (2023-08-15T02:35:59Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。
冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。
実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文 参考訳（メタデータ） (2023-01-23T02:43:03Z) - Using Sum-Product Networks to Assess Uncertainty in Deep Active Learning [3.7507283158673212]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた深層能動学習における不確かさの計算方法を提案する。
CNN が抽出した特徴表現を Sum-Product Network (SPN) のトレーニングデータとして利用する。
論文 参考訳（メタデータ） (2022-06-20T14:28:19Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳（メタデータ） (2022-05-02T16:09:17Z) - Beyond Simple Meta-Learning: Multi-Purpose Models for Multi-Domain,
Active and Continual Few-Shot Learning [41.07029317930986]
低ラベル方式で動作するモデルの分散感応クラスを提案する。
最初の手法であるSimple CNAPSは階層的に正規化されたマハラノビス距離に基づく分類器を用いる。
我々はさらに、このアプローチをトランスダクティブ学習環境に拡張し、トランスダクティブCNAPSを提案する。
論文 参考訳（メタデータ） (2022-01-13T18:59:02Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - Active Learning for Deep Object Detection via Probabilistic Modeling [27.195742892250916]
オブジェクト検出のための新しい深層アクティブラーニング手法を提案する。
提案手法は,各局所化および分類ヘッドの出力に対する確率分布を推定する混合密度ネットワークに依存する。
本手法では,両頭部の2種類の不確実性を集約したスコアリング関数を用いて,各画像のインフォラティブネススコアを求める。
論文 参考訳（メタデータ） (2021-03-30T07:37:11Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - Pairwise Similarity Knowledge Transfer for Weakly Supervised Object
Localization [53.99850033746663]
弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。
本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。
COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2020-03-18T17:53:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。